Page 25 -
P. 25
7.2 AR, MA, ARMA, ARIMA DEEP LEARNING
시계열 분석은 독립 변수(independent variable)를 사용하여 종속 변수(dependent variable)를 예측하
는 일반적인 머신 러닝에서 시간을 독립 변수로 사용한다는 특징이 있습니다. 독립 변수로 시간
을 사용하는 특성 때문에 분석하는 데 있어 일반적인 방법론들과 차이가 있는데, 그 차이를 AR,
MA, ARMA, ARIMA 모형으로 자세히 살펴보겠습니다.
7.2.1 AR 모델
7
AR(AutoRegression)(자기 회귀) 모델은 이전 관측 값이 이후 관측 값에 영향을 준다는 아이디어에 시계열 분석
대한 모형으로 자기 회귀 모델이라고도 합니다. AR에 대한 수식은 다음과 같습니다.
Z t = Φ 1 Z t-1 + Φ 2 Z t-2 + … + Φ p Z t-p + a t
① ② ③
①은 시계열 데이터에서 현재 시점을 의미하며, ②는 과거가 현재에 미치는 영향을 나타내는 모수
(Φ)에 시계열 데이터의 과거 시점을 곱한 것입니다. 마지막으로 ③은 시계열 분석에서 오차 항을
의미하며 백색 잡음이라고도 합니다. 따라서 수식은 p 시점을 기준으로 그 이전의 데이터에 의해
현재 시점의 데이터가 영향을 받는 모형이라고 할 수 있습니다.
7.2.2 MA 모델
MA(Moving Average)(이동 평균) 모델은 트렌드(평균 혹은 시계열 그래프에서 y 값)가 변화하는 상
1
황에 적합한 회귀 모델 입니다. MA에 대한 수식은 다음과 같습니다.
Z t = θ 1 a t-1 + θ 2 a t-2 + … + θ p a t-p + a t
① ② ③
①은 시계열 데이터에서 현재 시점을 의미하며, ②는 매개변수(θ)에 과거 시점의 오차를 곱한 것
입니다. 마지막으로 ③은 오차 항을 의미합니다. 따라서 수식은 AR 모델처럼 이전 데이터의 ‘상
1 어떤 자료에 대해 그 값에 영향을 주는 조건을 고려하여 구한 평균
259
